英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
本科生毕业设计（论文）参考文献译文本
译文出处：lt;1gt; Jantapremjit P , Wilson P A , Murphy A J . A study of autonomous docking with an AUV using intelligent controls[J]. 2006.
lt;2gt; Singh H , Bowen M , Hover F , et al. Intelligent docking for an autonomous ocean sampling network[C]// OCEANS 97. MTS/IEEE Conference Proceedings. IEEE, 1997.
基于智能控制的水下机器人（AUV）自主对接研究
摘要
利用水下机器人进行自主对接将在长期的水下探测和测量中发挥重要作用。自主水下航行器在固定平台上的自主对接任务包括一个在位置、方向和速度相匹配的航行器和平台。因此，对接任务需要智能控制系统进行精确和软操作。提出了一种滑模控制和模糊逻辑控制器的研究方法，该控制器具有稳定性和鲁棒性，能够限制不确定性和外部干扰，如海流。提出了一种基于模糊逻辑的滑模控制器，可以提高对接操作的控制性能。此外，利用遗传算法对控制器进行优化，以确定最佳候选模糊集，从而使对接时间和能量消耗最小化。
关键词
自主对接、水下机器人、滑模控制、模糊逻辑、遗传算法
介绍
遥控潜水器（rov）和无人水下航行器在收集生物和矿产资源等许多水下作业中都很有用，但在长期作业中，这些航行器存在一定的局限性，且作业成本较高。因此，在复杂的操作中，自主式水下机器人（AUV）是替代人类的一种选择，它能够在没有人为干预的情况下更准确可靠地做出决策和采取控制行动。这类作业的例子有海底测绘、研究水下环境和灾害、水下检查和施工以及冰下勘探[8]。自20世纪80年代以来，水下机器人的运动控制一直是一个研究课题[6]，[21]，[23]。在水下环境中，存在着影响飞行器和推进器动力学的流体力学效应。这些都是非线性的，这使得控制水下机器人具有挑战性。为了解决这一具有挑战性的控制问题，Yoerger和Slotine[21]采用了一种鲁棒滑模控制方法，将非线性控制系统设计应用于水下航行器的低速轨迹控制。Fossen和Foss[5]通过使用多输入多输出模式改善了非线性系统的滑模控制性能，聚合反应器的仿真（过程控制）说明了这一点。Healey和Lienard[10]对水下航行器采用了多变量滑模控制，并将其运动方程组合为速度、转向和潜水三种独立的自动驾驶模式。研究结果表明，该滑模控制器具有良好的鲁棒性，能较好地补偿未建模动态和外部干扰所带来的不足。
在一次对接任务调查中，Kato和Endo[12]提出了一种基于模糊算法的静止平台无人潜水器对接制导与控制的概念。具体处理为：基于模糊算法的粗制导为对接目标提供了车辆的预先安排，基于声纳和应答器的精确制导给出了精确的距离和目标配置。Rae等人成功地将基于模糊逻辑规则的水下机器人位置、深度和速度控制器应用于对动或静止目标潜艇的对接任务中[13] 、[15]。对于移动目标，AUV可能会因其固有的惯性（例如水下洋流）而迟钝。
自主对接
水下机器人的制导、导航和位置控制问题需要研究如何在未知环境中发现自身的运动和动力学状态，如位置和速度。导航信息来源于惯性传感器、声纳和地面全球定位系统（GPS）等。水下航行器在对接平台上的自主对接涉及到对航行器和平台运动状态的估计，同时匹配位置、方位和速度。执行器和传感器的改进以及新型控制方法的发展是制导和控制界需要考虑的两个可能的最新进展。他们确信，对接任务可以精确地完成[4]。目前，对接任务主要由一名带遥控潜水器的人类潜航员控制。因此，完成任务需要潜航员在场。为了扩大潜在的长期应用范围，需要AUV执行自主对接任务，以减少任务时间（给电池充电或传输数据）和载人作业成本。
水下机器人导航控制系统的典型框架[4]允许对接站或其他飞行器的自主服务（见图1）。配备有测量自身位置和方向的传感器的AUV提供当前状态，并确定实现这些期望状态所需的控制动作。经典控制理论允许建立控制系统的解析模型，但对于高度非线性、输入输出描述复杂度高的auv动力学模型来说，经典控制理论是不够的。因此，水下对接任务需要智能控制系统来实现软操作和精确操作。基于模糊逻辑的制导与导航技术是非线性控制的一种候选解决方案[3]，其目的是提供较小的相对速度。
图1-制导、导航和控制
模糊控制有三种模式：速度控制、航向控制和深度控制。滑模控制的使用提供了全局渐近稳定性使用Lyapunov准则，该准则限制不确定性和外部干扰。将模糊控制器与滑模控制相结合，可以提高对接操作的控制性能。进一步研究遗传算法，通过寻找隶属函数的最佳候选模糊集，对模糊控制器进行优化，优化对接时间和能量消耗。
水下机器人动力学模型
水下机器人的系统动力学是高度非线性、耦合和时变的，这是由许多参数决定的，如水动力阻力、阻尼力和升力、科里奥利力和向心力、重力和浮力以及推进器的力等[4]。利用欧拉角定义了AUV运动学模型在全局参考系中的姿态表示。因此，运动学方程被写成
(1)
向量eta;和nu;定义为
(2)
其中x=[x，y，z]T是x-y-z坐标系中的位置矢量，Theta;=[phi;，theta;，Psi;]T是Euler角参数的矢量，nu;=[u，v，w]T和omega;=[p，q，r]T是x-y-z坐标系中的线性和角速度（见图2）。
图二AUV坐标系
在上面，变换矩阵J1（eta;）和J2（eta;）定义为
(3)、(4)
式中，cPsi;=cosPsi;和sphi;= sphi; in和ttheta;= tantheta;等。AUV的6自由度动力学模型是由流体中刚体的牛顿-欧拉运动方程导出的。动态模型由
（5）
其中M是AUV惯性矩阵（包括附加质量），C(v)是科里奥利和向心项矩阵（包括附加质量效应），D（v）是AUV的流体动力阻尼和升力矩阵，g（eta;）是重力和浮力以及力矩矢量，tau;是外力和力矩输入。
滑模控制
为了纠正姿态控制中的误差，人们进行了许多研究，包括[1]，[16]。大多数稳定方案都是基于Lyapunov方法，该方法为控制律提供正稳定增益范围。滑模控制（SMC）是一种非线性控制器，具有良好的稳定性、鲁棒性和抗干扰特性[14]，[17]。它被归为变结构控制系统[11]，在苏联已经研究了多年。考虑非线性系统的状态空间，
（6）
其中x是状态向量，
设为变量x中的跟踪误差，并且，
（7）
其中是跟踪误差矢量，是期望轨迹。其次，将时变滑动面s定义为误差，
（8）
其中S是严格正常数。然后，当满足Lyapunov稳定性时，滑动面收敛到零
（9）
它的导数必须满足，
（10）
滑动面s（x）=0和在有限时间内达到的条件，如果，
其中k是严格正常数，sgn（s）是符号函数，定义为
从式（6），（8）中，假设控制为0=dx的设定值控制，则控制输入可获得为，
(11)
典型的滑模控制器的结构为：
（12）
式中，等式u是等效控制。K是一个常数，对应于控制器输出的最大值。
为了减少由符号函数引起的抖振，提出了一种在开关表面附近有厚度的薄边界层[14]，
（13）
其中常数Phi;定义了边界层的厚度，并且是一个饱和函数，定义为
双曲正切函数给出了一个更平滑的版本[18]，所以它变成了，
（14）
滑模控制器的作用是将系统推向滑动面并保持在滑动面上。因此，滑模控制能够提高跟踪AUV建模所需状态的能力。在下一节中，我们将讨论使用模糊逻辑和遗传算法的专家控制，以提高对接性能。
智能控制
虽然传统的控制方法对于非线性系统的控制是成功的，但是由于非线性项的不可建模，使得系统的性能和稳定性受到了限制。许多方法结合了SMC[9]的鲁棒性、基于模糊逻辑的智能控制[11]、[22]和基于遗传算法的控制[20]。
模糊逻辑是一种能处理不确定性、能构造复杂控制系统的智能控制器。与经典控制不同，模糊逻辑控制器可以用语言信息的方式来开发，而无需使用分析模型。模糊逻辑中的操作（见图3）可以用三个序列来描述，即模糊化、模糊推理和去模糊化。模糊化将输入数据转换成语言变量，这些变量可以看作模糊集的标签。
图3-智能控制框图
模糊集的定义是，
式中称为模糊变量的隶属函数。
通常以第i个IF-THEN格式表示的规则列表如下所示，
其中，和是语言变量，而、是模糊集。推理机计算IF-THEN规则表达式，而去模糊化将模糊值转换为结果输出。
飞行器控制模型对AUV的推进器和鳍进行控制，以适当的速度到达对接点。对接操作中有三种控制模式，即速度、航向和深度控制，使用模糊控制逻辑控制器，如下所述：
速度控制
模糊逻辑速度控制框图如图4所示。每个变量的输入模糊集是：距离：{非常远，远，近，零}，水下机器人速度：{快，正常，慢}，和一个变量的输出集：推进器转速：{快，零，慢}。
图4-模糊逻辑速度控制
航向控制
模糊逻辑航向控制框图如图5所示。每个变量的输入模糊集为：偏航误差：{大负，小负，零，小正，大正}，偏航率：{负，正，正}，输出一个变量的集合为：舵角：{大负，小负，零，小正，大正}。
图5-模糊逻辑航向控制
深度控制
模糊逻辑深度控制框图如图6所示。每个变量的输入模糊集为：偏航误差偏航率舵角俯仰误差：{大负，小负，零，小正，大正}，俯仰率：{负，正常，正}和一个变量的输出集：水翼面角：{大负，小负，零，小正，大正}。
由模糊逻辑控制生成的模糊规则库，可用于遗传算法（GAs）工具评估软对接的最优解。Holland等人。[19] 密歇根大学已经开发出基于自然选择和基因机制的搜索算法GAs。遗传算法被用作解决优化问题的工具。图7显示了遗传算法工具。
图6-模糊逻辑深度控制
图7-遗传算法工具
通过给出模糊集的极限和字符串的初始总体，该方法为每个极限随机生成字符串。然后，形成隶属函数的表示形式，并计算实现所需优化目标的解的优点，称为适应度函数。如果不是这样，则reproduction操作符生成许多具有最高适应度的新字符串。下一步称为交叉算子，它随机地交换成分以产生新的子代，这些子代保留了父代的一些特征。最后应用变异算子产生一个与字符串的某些改变部分完全相同的副本。循环通过创建连续的新代继续，并在达到某个阈值（例如最大适应度、平均适应度或代数）时结束。GAs工具可以提供一种有效的方法来评估每种方案的优点。这允许减少控制输出工作负载。在对接任务中，速度、航向和深度的变化是平稳的，从而使能量消耗最小化。
结论和进一步工作
本文研究了基于GAs的AUV自主对接模糊滑模控制器。首先，针对车辆状态跟踪的鲁棒性，引入了滑模控制器。其次，提出了一种基于气体的模糊逻辑。将基于模糊逻辑控制的三种控制模式和滑模控制相结合，实现了对接任务的精确、鲁棒控制和优化设计。正在进行进一步的研究和仿真，并正在将结果推广到硬件实现中。
参考文献
[1] D.M. Boskovic and M. Krstic. Global attitude/position regulation for underwater vehicles. International Journal of Systems Science, 30(9):939–946, 1999.
[2] J.A. Castellanos, J. Neira, and J.D. Tardoacute;s. Multisensor fusion for simultaneous localization and map building. IEEE Transaction on Robotics and Automation, pages 908–914, 2001.
[3] J.-Y. Chen. Fuzzy sliding mode controller design: Indirect adaptive approach. An International Journal of Cybernetics and Systems, 30:9–27, 1999.
[4] T.I. Fossen. Guidance and Control of Ocean Vehicles. John Wiley and Sons Ltd., England, 1994.
[5]
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235873]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
